wd

chapter_supervised-learning/reg-gluon.md

-# 正则化——使用Gluon
+# 权重衰减——使用Gluon
 
-本节将介绍如何使用Gluon实现上一节介绍的正则化。导入实验所需的包或模块。
+本节将介绍如何使用Gluon实现上一节介绍的权重衰减。导入实验所需的包或模块。
 
 ```{.python .input  n=1}
 import sys
@@ -83,7 +83,7 @@ fit_and_plot(5)
 
 ## 小结
 
-* 使用Gluon的`wd`超参数可以使用正则化来应对过拟合问题。
+* 使用Gluon的`wd`超参数可以使用权重衰减来应对过拟合问题。
 * 我们可以定义多个Trainer实例对不同的模型参数使用不同的迭代方法。
 
 ## 练习

chapter_supervised-learning/reg-scratch.md

-# 正则化——从零开始
+# 权重衰减——从零开始
 
-上一节中我们观察了过拟合现象，即模型的训练误差远小于它在测试数据集上的误差。本节将介绍应对过拟合问题的常用方法：正则化。
+上一节中我们观察了过拟合现象，即模型的训练误差远小于它在测试数据集上的误差。本节将介绍应对过拟合问题的常用方法：权重衰减。
 
 
 ## $L_2$范数正则化
@@ -131,7 +131,7 @@ fit_and_plot(lambd=5)
 
 ## 小结
 
-* 我们可以使用正则化来应对过拟合问题。
+* 我们可以使用权重衰减来应对过拟合问题。
 * $L_2$范数正则化通常会使学到的权重参数的元素较接近0。
 * $L_2$范数正则化也叫权重衰减。